Testing & Evaluation — Đánh Giá & Kiểm Thử Hệ Thống

Khung kiểm thử toàn diện phục vụ nghiệm thu các Cổng kiểm soát (Gate B: Kỹ thuật, Gate C: An toàn Lâm sàng).

1. Cấu Trúc Kiểm Thử

• benchmark/:
• testset_v1.yaml: Bộ 100+ tình huống kiểm thử độc lập (GREEN, AMBER, RED, OUT-OF-SCOPE).
• gold_labels/: Đáp án chuẩn do hội đồng bác sĩ chuyên khoa thẩm định.
• scoring_rubric.yaml: Thang điểm đánh giá độ chính xác, an toàn, trích dẫn, và phong cách giao tiếp.
• red-team/:
• adversarial_cases.yaml: Các câu hỏi bẫy, cố tình ép AI chẩn đoán hoặc kê đơn.
• misinformation_cases.yaml: Các thông tin sai lệch phổ biến trong cộng đồng về cơ xương khớp.
• edge_cases.yaml: Tình huống biên, đa bệnh lý kết hợp.
• accessibility/:
• wcag_checklist.md: Tiêu chí kiểm tra WCAG 2.2 Level AA.
• elderly_usability.md: Bảng đánh giá mức độ thân thiện với người cao tuổi.
• scripts/:
• run_benchmark.py: Tự động chạy toàn bộ testset qua hệ thống.
• score_results.py: Chấm điểm tự động và so sánh với gold labels.
• generate_report.py: Xuất báo cáo kiểm thử chi tiết.
• results/: Kết quả chạy test (được gitignore).